Table of Contents
نقشه های خودسازمان دهی (SOMs) نوعی شبکه عصبی مصنوعی است که برای تجسم داده ها و خوشه بندی استفاده می شود.آنها داده های با ابعاد بالا را به یک شبکه کم بعد سازماندهی می کنند و روابط بالایی را حفظ می کنند. درک محاسبات ریاضی پشت SOMs برای کاربرد موثر آنها ضروری است.
آغاز نقشه
این فرآیند با اولیه کردن بردارهای وزن هر گره در نقشه شروع می شود، به طور معمول، وزن به طور تصادفی یا بر اساس توزیع داده ها اختصاص داده می شود.هر بردار وزن دارای ابعاد مشابه داده های ورودی است.
پیدا کردن بهترین واحد مسابقه (BMU)
برای هر بردار ورودی، الگوریتم فاصله را با هر بردار وزن گره محاسبه می کند. متداول ترین متریک فاصله، فاصله Euclidean است، محاسبه شده به عنوان:
[[ویرایش] [۱] [۱۰] [۱۰] [۱۰] [۱۰] [۱]] [۱۰] [۱] [۱۰] [۱۰]] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [بر [بر [۳] [۳] [۳] [۳] [۳] [۳] [بر [بر [۳] [۳] [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [۳] [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [بر [
در جایی که x جزء داده های ورودی و w است جزء وزن یک گره است.
افزایش وزن
هنگامی که BMU شناسایی شد، وزن BMU و همسایگان آن تنظیم شده است تا شبیه به بردار ورودی باشد.
[[ویرایش] [۱] [۱۰] [۱۰] [۱۰] [[۱۰]] [[۱۰]]] [[۱۰]] [[۱۰]]] [[۱۰]]] [[۱۰]]] [[۱۰]]] [[۱۰]] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۳] [۱۰] [۳] [۱۰] [۳] [۳] [[[[[۳] [۳] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱۰] [۳] [۳] [۳] [۱۰] [۳] [۳] [۳] [۳] [۳] [۱۰] [۳] [[[[[۳] [۳] [۳] [[[[[[۳] [۱۰] [۱۰] [۱۰] [۱۰] [[[[[[[[[[۳] [۳] [۱۰] [۱۰] [[[[۳] [۳] [۳] [۳] [۳] [۳] [۱۰] [۳] [۱۰] [۱۰
در جایی که α (t) نرخ یادگیری است، h تابع محله است و (x - w تفاوت بین بردار ورودی و بردار وزن فعلی است.
برنامه های Self-organizing Maps
SOM ها در زمینه های مختلف برای تجزیه و تحلیل داده ها و تجسم استفاده می شوند.آنها به شناسایی الگوها، نقاط داده مشابه خوشه و کاهش ابعاد برنامه های مشترک شامل تجزیه و تحلیل تصویر، تقسیم بندی بازار و بیوانفورماتیک کمک می کنند.
- تصویرسازی داده ها
- خوشه بندی
- شناخت الگو
- استخراج